کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6957529 1451919 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hierarchical classification method using belief functions
ترجمه فارسی عنوان
یک روش طبقه بندی سلسله مراتبی با استفاده از توابع باور
کلمات کلیدی
باورهای توابع، تصمیم سازی، نرخ خطا، خوشه بندی سلسله مراتبی، طبقه بندی چند طبقه
ترجمه چکیده
طبقه بندی یکی از مهمترین وظایف سیستم های هوشمند است. آثار اخیر، یادگیری عمیق را برای حل مسئله طبقه بندی پیشنهاد کرده اند. در حالی که این تکنیک ها عملکرد بسیار خوبی را به دست می آورند و پیچیدگی های مهندسی ویژگی را کاهش می دهند، آنها نیاز به مقدار زیادی داده و برای آموزش بسیار گران محسوب می شوند. این مقاله جدید روش طبقه بندی مبتنی بر اعتماد نظارت شده برای مشکلات چند طبقه ارائه می دهد. این روش یک روش سلسله مراتبی است با استفاده از نظریه تابع اعتقاد و انتخاب ویژگی. روش برای یک ورودی نمونه جدید، یک سطح اعتماد برای هر کلاس پیش بینی می کند. برای این منظور یک روش طبقه بندی سلسله مراتبی برای ایجاد یک مسئله طبقه بندی دو سطح اتخاذ شده است. سپس یک تکنیک انتخاب ویژگی برای کاهش پیچیدگی الگوریتم و افزایش عملکرد طبقه بندی در هر سطح انجام می شود. سپس تئوری تابع اعتقاد به ترکیب همه اطلاعات و تصمیم گیری، با محاسبه اطمینان از نمونه در هر کلاس استفاده می شود. روش پیشنهادی برای محلی سازی داخلی در شبکه حسگرهای بی سیم و تشخیص تصویر چهره با استفاده از پایگاه داده های شناخته شده مورد آزمایش قرار گرفته است. نتایج به دست آمده اثربخشی روش پیشنهادی و شایستگی آن را در مقایسه با روش های پیشرفته نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
یک روش طبقه بندی سلسله مراتبی با استفاده از توابع باور
چکیده انگلیسی
Classification is one of the most important tasks carried out by intelligent systems. Recent works have proposed deep learning to solve the classification problem. While such techniques achieve a very good performance and reduce the complexity of feature engineering, they require a large amount of data and are extremely computationally expensive to train. This paper presents a new supervised confidence-based classification method for multi-class problems. The method is a hierarchical technique using the belief function theory and feature selection. The method predicts, for a new sample input, a confidence-level for each class. For this purpose, a hierarchical clustering approach is adopted to create a two-level classification problem. A feature selection technique is then carried out at each level to reduce the complexity of the algorithm and enhance the classification performance. The belief function theory is then used to combine all information and to give out decisions, by computing the confidence of the sample being in each class. The proposed method has been tested for indoor localization in a wireless sensors network and for facial image recognition using well-known databases. The obtained results prove the effectiveness of the proposed method and its competence as compared to state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 148, July 2018, Pages 68-77
نویسندگان
, , ,